De AI-boom is een beslissende middenschoolfase ingegaan: wat ondernemingen moeten weten

De middelbare school was nooit iemands beste periode – maar we moesten allemaal door deze fase heen, met alle groeipijnen die daarbij komen, om een betere, meer volwassen versie van onszelf te bereiken.

De huidige AI-boom is een soortgelijke moeilijke adolescentie ingegaan, iets wat experts de rommelige middenschoolfase noemen tussen adoptie en volwassenheid. De initiële hype is weggeëbd, en nu richten organisaties zich op het echt operationeel maken van AI. Maar AI komt van age tijdens een moeilijke periode. Voorspellingen zijn overal, scepticisme is hoog onder zowel bedrijven als consumenten, en het gerucht over een AI-bubbel heeft ondernemingsleiders op hun qui-vive, in afwachting van de gevreesde knal.

Op dit beslissende moment moeten organisaties het signaal van de ruis onderscheiden – of ze nu hun inspanningen van experimentatie naar praktische toepassing verleggen, of praktische toepassing naar operationele alomtegenwoordigheid schalen. Dat vereist dat ze zich richten op tastbare factoren die ze kunnen controleren, zoals hun infrastructuur en gegevensbereidheid; resultaten meten; en de basis leggen voor schaal.

De infrastructuur-eerst-benadering

Echte AI-gereedheid vereist de juiste infrastructuur om de duurzame inzet van AI-werklasten te ondersteunen. Natuurlijk heeft AI de vraag naar clouddiensten verhoogd: clouduitgaven zullen dit jaar met 40% toenemen, met infrastructuur als het duurste item op de begroting, en nieuwe datacenters verschijnen op elke continent om de groeiende vraag naar AI-rekenkracht te accommoderen. Op dit AI-keerpunt zijn infrastructuurkeuzes existentieel. Infrastructuur definieert wat veilig is, wat mogelijk is en wat het bedrijf echt ten goede komt, in plaats van een drain op de middelen te creëren.

Duurzame infrastructuur wordt gedefinieerd door meer dan alleen kosten en totale rekenkracht. Wanneer organisaties bepalen waar en hoe ze hun AI-werklasten moeten hosten, moeten ze rekening houden met kwesties van resource-efficiëntie, beveiliging, zichtbaarheid en totale prijs-prestatie. AI-infrastructuur kan geen eenmalige investering zijn, maar een proces in beweging, dat kan evolueren met de eisen van elk project.

Het is een scherpe afwijking van historische benaderingen van clouduitgaven. Voordat de huidige AI-rush, vertrouwden organisaties vaak op één clouddienstverlener – meestal een hyperscaler – om hun cloudgebaseerde operaties te hosten. Nu daagt de complexiteit en variatie van AI-werklasten dit model uit, vooral omdat ondernemingen naar meer praktische use cases gaan en alternatieve clouds ontstaan om de vraag te accommoderen.

Moderne AI-initiatieven vereisen een flinke rekenkracht, die de Big 3 goed kunnen bieden. De barsten beginnen te verschijnen wanneer al die kracht te veel wordt. Hyperscaler-contracten kunnen kostbaar zijn, opgeblazen met onnodige add-ons, en mogen niet de vereiste gegevensbeveiliging en -residencie voor zeer gevoelige projecten bieden.

In plaats van hun cloudoperaties aan één leverancier te binden, kunnen ondernemingen profiteren van een groeiende klasse van alternatieven om hun eigen stacks samen te stellen over verschillende providers, GPU-typen en openbare/private cloudinstellingen op basis van hun specifieke behoeften. Zo betalen ze niet voor functies die ze niet nodig hebben, terwijl ze tegelijkertijd hun clouds aanpassen aan wat ze wel nodig hebben.

Een infrastructuur-eerst-benadering voor het bereiken van AI-volwassenheid gaat over het creëren van een stabiele basis voor schaal, die efficiëntie en nut maximaliseert zonder in te boeten aan kracht.

Van experimentatie naar toepassing

In de afgelopen jaren hebben bedrijven over de hele wereld geëxperimenteerd met hoe ze AI in hun operaties kunnen integreren. Gedreven door nieuwsgierigheid en een flinke dosis hype, hebben ze de grenzen van innovatie verlegd, nieuwe mogelijkheden voor efficiëntie ontsloten en het potentieel van talloze open-source-tools en -modellen verhoogd. Ze zijn ook frontaal met de realiteit geconfronteerd, geleerd dat de filosofie van Silicon Valley “snel bewegen en dingen breken” niet altijd de manier is om te gaan, vooral niet wanneer het om een technologie als AI gaat.

Nu ondernemingen uit deze experimentele fase komen, is falen geen optie. Accuratesse is kritisch. Prestaties mogen niet achterblijven. Als ondernemingen hun kernbedrijfsfuncties op een AI-raamwerk willen herbouwen, moeten ze zich verdiepen in de “saaiere” delen die AI van een creatief experiment tot een krachtvermeerderaar maken, waaronder:

• Gegevensbeveiliging en -privacy: Veel AI-modellen gebruiken gevoelige persoonlijke en bedrijfsgegevens om effectief te functioneren. Organisaties moeten ervan verzekerd zijn dat hun gegevens veilig worden gehost, zonder het risico van ongeautoriseerde replicatie of “donkere AI”-blootstelling.
• Modellevenscyclusbeheer: Modellen moeten accuraat, up-to-date en regelmatig opnieuw getraind zijn om kritieke bedrijfsfuncties te ondersteunen.
• Prestatieconsistentie: Of modellen nu voor intern gebruik of in klantgerichte operaties worden ingezet, het waarborgen van consistente prestaties is kritisch voor efficiëntie en gebruiksgemak. Veel voorkomende prestatieproblemen, zoals die met vertraging en downtime, worden op het niveau van de infrastructuur opgelost.

Op dit moment zijn slechts 37% van de organisaties nieuwe generatieve modellen op maandelijkse, wekelijkse of dagelijkse basis inzetten. Naarmate meer organisaties de toepassingsfase ingaan, zal dit percentage dramatisch toenemen, waardoor een grotere vraag naar rekenkracht ontstaat – maar ook naar infrastructuur die is aangepast aan specifieke modellen. Een “lichtgewicht”-model heeft geen hyperscaler-niveau-fundament nodig, maar als het gevoelige informatie gebruikt, kan het wel dat niveau van beveiliging nodig hebben. Hier komen aangepaste clouds om de hoek kijken – en dat is waarom infrastructuur de primaire overweging moet zijn bij een ondernemings-AI-shift.

Van toepassing naar schaal

Voor bedrijven die verder zijn met de volwassenheidscurve, is de praktische toepassing van AI al onderdeel van hun dagelijkse activiteiten. Nu mikken ze op het schalen van deze toepassingen om nog meer waarde te creëren en hun onderneming volledig te evolueren.

De druk is hoog, en de voordelen zijn duidelijk: 81% van de organisaties op het hoogste niveau van AI-volwassenheid meldden betere financiële resultaten in het afgelopen jaar. Dit is de fase waarin AI-toepassingen hun grootste stress-test ondergaan. Ze kunnen de sniff-test in een gecontroleerde omgeving doorstaan, maar kunnen ze meer gegevens verwerken? Functioneren ze in nieuwe regio’s? En misschien het belangrijkste: kunnen ze significante resultaten opleveren?

Schaal is groter worden, maar in sommige gevallen is minder meer. Bedrijven in deze fase moeten overwegen of gerichte kleine-taalmodellen (SLM’s) beter kunnen presteren dan multi-doelmodellen (LLM’s). AI-initiatieven zijn het meest succesvol wanneer ze zijn gekoppeld aan echte bedrijfsproblemen en meetbare resultaten kunnen opleveren.

Een soortgelijk patroon doet zich voor bij de toepassing en schaal van AI-agents–de volgende frontier van autonome AI. Agents die domeinspecifieke taken uitvoeren, geïnformeerd door een sterk gefocust, consistent onderhouden dataset, zijn degenen die echt impact hebben in de onderneming. Dat gezegd hebbende, hebben gespecialiseerde agents nog steeds aanzienlijke rekenkracht nodig, hoewel niet zo veel als een alomvattend, alles-kunnen-doende copilot. Prioriteit geven aan infrastructuur vanaf het begin zal ondernemingen in staat stellen om echte ROI uit hun agent-gebaseerde AI-initiatieven te halen zonder hun cloudbudgetten te overschrijden.

Innovatie met impact

De AI-“race” is minder een race dan een renovatie: als we de onderneming opnieuw opbouwen, willen we dat doen op een stevige basis – anders komen de muren uiteindelijk toch naar beneden. Ondernemingen moeten de tijd nemen om zorgvuldig na te denken over infrastructuur, ervoor zorgen dat gegevens zijn beveiligd, modellevenscycli nauwgezet beheren, prestaties monitoren en inzichten verzamelen en aanpassingen doen. Geduld en volharding zijn essentieel om oplossingen te creëren die echt werken, veilig blijven en consistent presteren.

De nieuwheid van de AI-hypecyclus kan weliswaar tanen, maar ondernemingen kunnen door de moeilijke middeljaren van AI heen komen door hun teams te energizeren met wat het meest telt: resultaten.